Basierend auf UV-Spektren in Kombination mit maschinellen Lernalgorithmen wurde ein schnelles qualitativen Screening-Modell für vier häufig verbotene antimikrobielle Wirkstoffe (Metronidazol, Ketoconazol, Chloramphenicol und Norfloxacin) in Akne-Kosmetika entwickelt. Insgesamt wurden UV-Spektren von 167 Chargen von Akne-Kosmetika erfasst, und mittels zweidimensionaler Korrelationsspektroskopie (2D-COS) wurden charakteristische UV-Spektralbereiche ausgewählt. Durch den Vergleich von 22 Methoden zur Spektralvorverarbeitung, 3 maschinellen Lernalgorithmen und 3 verschiedenen Datensatzaufteilungen wurde ein fünfklassiges qualitatives Modell für positive und negative Proben mit Metronidazol, Ketoconazol, Chloramphenicol und Norfloxacin etabliert. Die Ergebnisse zeigten, dass bei Auswahl des UV-Spektrums im Bereich von 190–360 nm, der kombinierten Anwendung von Standardnormalvariablen-Transform (SNV) und Savitzky-Golay-Glättung (SG) sowie einem Trainings- und Testverhältnis von 7:3 in Kombination mit einem Backpropagation (BP)-Neuronalen Netzwerk ein Genauigkeit von 96,58 % bzw. 98,00 % für Trainings- und Testdatensätze erreicht werden kann, was eine gute Vorhersage- und Generalisierungsfähigkeit zeigt. Diese Methode kann die vier verbotenen antimikrobiellen Wirkstoffe in Kosmetika schnell und genau erkennen, spart Prüfkosten und -zeit, erhöht die Effizienz und bietet eine neue intelligente Methode zur Erkennung illegal hinzugefügter verbotener Stoffe in Kosmetika sowie neue Ideen und Lösungen für ein kontinuierlich aktualisiertes Schnellscreening verbotener Stoffe und unterstützt zudem die Schnelltestung vor Ort.

UV-Spektroskopie; Kosmetik; Backpropagation-Neuronales Netzwerk; Random Forest; Support Vector Machine; zweidimensionale Korrelationsspektroskopie